III.8Договоры, юридическая работа и compliance

MiLMMT-46-4B-v1.0 — языковая модель Xiaomi Inc. для перевода между 46 поддерживаемыми языками. Она основана на Gemma 3 и построена в несколько этапов: продолженное предобучение на 143 млрд токенов монолингвальных и параллельных данных, supervised fine-tuning, обучение с подкреплением и слияние моделей. В метаданных указаны архитектура Gemma3ForConditionalGeneration и формат safetensors; модель запускается через Transformers. Модель предназначена для перевода текстов, в том числе между такими языками, как русский, английский, китайский, японский, арабский и хинди. Для перевода следует указывать названия исходного и целевого языков в запросе. Модель поддерживает только перечисленные в карточке 46 языков, а качество перевода на другие языки не гарантируется. Лицензия — Gemma.

Helsinki-NLP разработала opus-mt-de-fr — компактную модель машинного перевода с немецкого на французский. Это плотная Transformer-модель семейства MarianMT с 56,5 млн параметров; для обработки текста применяются нормализация и SentencePiece. Модель принимает немецкий текст и генерирует перевод на французском, поддерживается контекст до 512 токенов. Модель предназначена для перевода немецких текстов на французский. В карточке приведены результаты на нескольких тестовых наборах: BLEU от 26,4 до 32,2 и chr-F от 0,548 до 0,590. Репозиторий содержит веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-ko-ru — модель машинного перевода на архитектуре Transformer, разработанная Helsinki-NLP в рамках проекта OPUS-MT. Она переводит текст с корейского на русский; источником могут быть корейские тексты на хангыле, латинице и других указанных для корейского письменностях. Для нормализации и разбиения текста используются SentencePiece-модели размером 32 тыс. токенов. Модель содержит 58,4 млн параметров, поддерживает контекст до 512 токенов и доступна в форматах PyTorch и TensorFlow. Модель подходит для перевода сообщений, документов и других текстов с корейского языка на русский. В тесте Tatoeba для этой языковой пары указаны BLEU 30,3 и chr-F 0,514; результаты на других типах текстов могут отличаться. Лицензия — Apache-2.0.

PRIMERA — модель Allen Institute for AI для суммаризации нескольких документов, основанная на пирамидальном маскированном предобучении предложений. Это версия для Hugging Face на архитектуре LED (Longformer Encoder-Decoder) с примерно 252,8 млн параметров и контекстом до 4096 токенов. Модель принимает текст и генерирует текстовое резюме; в карточке указана поддержка английского языка. Модель предназначена для объединения информации из нескольких источников в одно краткое изложение. В проверке на наборе MultiNews авторы сообщают для версии PRIMERA-hf значения ROUGE-1 41,7, ROUGE-2 13,6 и ROUGE-L 20,5; результаты немного отличаются от оригинала из-за различий реализаций Longformer и LED. Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

vaibhavvanshu/t5-cnn-25k — дообученная модель T5-small для абстрактивного суммирования текста, созданная для приложения Text Summarizer. Она обучена на 25 тысячах примеров CNN/DailyMail и генерирует краткие пересказы документов и статей. Архитектура — T5 с 38,5 млн параметров; модель принимает текст длиной до 512 токенов и выдаёт текстовое резюме. Для длинных документов приложение применяет иерархическую обработку по фрагментам, но это функция приложения, а не отдельная возможность модели. Модель может пропускать важные сведения, ошибаться или галлюцинировать, поэтому результаты следует проверять. Распространяется по лицензии Apache-2.0.

Tiny-Jev-1.7B — разработанная lostargon компактная модель для принятия структурированных решений по текстовому состоянию и вопросу с заданным набором вариантов. Это дообученная на базе Qwen3-1.7B модель с архитектурой decoder stack и отдельной линейной головой решений; языковая голова генерации текста не используется. Модель возвращает распределение вероятностей по вариантам, оценку уверенности и поддерживает выбор категории (Choice), оценивание по упорядоченной шкале (Score) и проверку истинности утверждения (Noul). Размер — 1,7 млрд параметров; метаданные указывают контекст до 40 960 токенов, тогда как README сообщает практический предел 4 096 токенов на вопрос. Модель предназначена для маршрутизации обращений, триажа, фильтрации, модерации, тегирования, проверки политик и безопасности действий агента, а также анализа логов и других структурированных данных. Она подходит для конвейеров и обработчиков запросов, где нужно быстро выбрать один из заранее заданных вариантов, а не сформулировать ответ. Обучение проводилось на синтетических данных для поддержки, операций, бизнес-текста, диалогов и задач чтения структурированных состояний; README также приводит результаты нескольких тестов с выбором ответа. Ограничения: модель не генерирует, не суммирует и не объясняет текст; вопросы с отрицаниями следует формулировать точно, арифметику и незнакомые правила лучше проверять отдельно. По README, длинное состояние может обрезаться, а пользовательский текст внутри состояния способен влиять на решение. Лицензия — Apache-2.0.

MMG/bert-base-spanish-wwm-cased-finetuned-sqac — модель BERT, дообученная на наборе SQAC для ответов на вопросы по текстовому контексту. Она принимает вопрос и связанный с ним фрагмент текста на испанском языке и извлекает из контекста ответ. Модель содержит 137,1 млн параметров, использует архитектуру BertForQuestionAnswering и поддерживает контекст длиной до 512 токенов. На оценочной выборке SQAC модель показала exact match 62,02 и F1 79,45. Она подходит для поиска ответов в испанских текстах, если вопрос и нужная информация помещаются в контекст. Лицензия в предоставленных данных не указана.

lorenzkuhn/distilbert-base-uncased-finetuned-squad — модель семейства DistilBERT, дообученная на наборе данных SQuAD v2 для извлечения ответов на вопросы из предоставленного текста. Она принимает вопрос и контекст и предсказывает фрагмент контекста как ответ; архитектура относится к плотным трансформерам, формат весов — PyTorch, контекст ограничен 512 токенами. В README указано значение loss 1,3206 на оценочной выборке. Модель предназначена для английских текстов и сценариев поиска ответа в документе или отрывке. Карточка не содержит подробной оценки качества за пределами указанного loss и не описывает дополнительные применения. Распространяется по лицензии Apache-2.0.

Donut-handball-pv — модель Bienvenu2004, дообученная на базе naver-clova-ix/donut-base для преобразования изображений в текст. Архитектура VisionEncoderDecoder предназначена для задач, где нужно извлекать текстовое представление из изображения; карточка не описывает конкретный формат входных изображений или целевой текст. Модель опубликована в формате safetensors и распространяется по лицензии MIT. README не содержит сведений о специализации, обучающих данных, качестве или ограничениях; название репозитория указывает на связь с гандболом, но не позволяет определить конкретную задачу модели.

MiLMMT-46-12B-v0.1 — модель машинного перевода на основе большой языковой модели, разработанная Xiaomi Inc. Это дообученная версия MiLMMT-46-12B-Pretrain, созданной на базе Gemma 3 12B с продолжением предобучения на 143 миллиардах токенов монолингвальных и параллельных данных для 46 языков. Модель предназначена для перевода текста между поддерживаемыми языками; в карточке приведён шаблон запроса, где нужно указать названия исходного и целевого языков. Модель поддерживает 46 языков, включая русский, английский, китайский, арабский, хинди, японский и другие. Для работы доступны веса в формате safetensors и библиотека Transformers. Указанная лицензия — Gemma. Производитель предупреждает, что поддержка ограничена перечисленными языками и качество перевода для других языков не гарантируется.

SauerkrautLM-Translator-LFM2.5-1.2B — компактная специализированная модель перевода от VAGO Solutions, дообученная на основе LiquidAI/LFM2.5-1.2B-Instruct. Это плотная авторегрессионная языковая модель семейства LFM2 с 1,5 млрд параметров, поддерживающая контекст до 128 000 токенов и доступная в формате safetensors для Transformers. Модель предназначена для перевода между английским, немецким, французским, испанским и итальянским во всех направлениях. Она рассчитана на короткие фразы и длинные документы, а также на перевод запросов и инструкций с сохранением их намерения. В README также заявлена нулевая языковая способность переводить с арабского и китайского на один из пяти поддерживаемых языков. Обучение включало 3 млн примеров и дополнительную настройку DPO на 30 000 примерах; авторы оценивали качество с помощью сравнений, где судьёй выступал GPT-4.1. Для модели указана лицензия other; перед использованием следует проверить условия в репозитории. Основное назначение — перевод, поэтому результаты для иных задач README не подтверждает. Заявленные возможности нулевого перевода с арабского и китайского не равнозначны полноценной поддержке этих языков.

NVIDIA Nemotron 3 Nano Omni — мультимодальная большая языковая модель семейства Nemotron, разработанная NVIDIA и дополнительно обученная на базе нескольких моделей, включая Qwen3-VL-30B-A3B-Instruct, Qwen3.5-122B-A10B, Qwen3.5-397B-A17B, Qwen2.5-VL-72B-Instruct и gpt-oss-120b. Репозиторий содержит веса в формате safetensors для Transformers; модель поддерживает чат и интерфейс вызова инструментов. В README рекомендуют начинать с контекста 131072 токена при развертывании на Spark. Модель предназначена для корпоративного мультимодального анализа видео, аудио, изображений и текста: ответов на вопросы, суммаризации, транскрибирования речи, OCR и анализа документов, а также понимания GUI. Примеры применения — поиск и краткое изложение видео, проверка заказов по видеозаписям, анализ договоров и финансовых документов, автоматизация браузера и почты. Ключевые ограничения и характеристики, включая точное число параметров и перечень поддерживаемых естественных языков, в предоставленных данных не раскрыты. Модель доступна для коммерческого использования; метаданные указывают лицензию other, поэтому перед внедрением следует свериться с условиями лицензии в карточке репозитория.

Llama-3-70B-Instruct-Gradient-262k — это дообученная Gradient версия Meta Llama 3 70B Instruct, разработанная Gradient при поддержке вычислительных ресурсов Crusoe Energy. Модель предназначена для диалоговой генерации текста и обработки очень длинных входных последовательностей: README сообщает о расширении контекста исходной модели с 8 тысяч до более чем 262 тысяч токенов за счёт настройки RoPE theta и обучения на дополнительных данных. В метаданных указаны архитектура LlamaForCausalLM, 69,5 млрд параметров и контекст 262 144 токена. Модель подходит для диалоговых помощников, анализа длинных документов и сценариев, где нужно учитывать большой объём контекста за один запрос. Карточка описывает англоязычный вариант; поддержка других языков не подтверждена. Для запуска предлагаются Transformers или TGI, а веса опубликованы в формате safetensors. Использование регулируется лицензией Llama 3; перед развёртыванием следует учитывать её условия и проверять ответы модели, поскольку возможны ошибки и остаточные риски безопасности.

NVIDIA Nemotron 3 Nano Omni — мультимодальная большая языковая модель, разработанная NVIDIA в рамках семейства Nemotron. Эта версия распространяется в формате GGUF и предназначена для понимания видео, аудио, изображений и текста с применением в корпоративных системах: вопросно-ответных сервисах, суммаризации, транскрипции, анализе документов и интеллектуальной автоматизации графического интерфейса. Модель использует гибридную архитектуру Mamba2-Transformer с Mixture of Experts (MoE), включает языковую модель Nemotron 3 Nano LLM 30B A3B, визуальный энкодер CRADIO v4-H и речевой энкодер Parakeet. Общее число параметров — около 31 млрд (30B A3B). Поддерживаются видео MP4 длительностью до 2 минут, аудиофайлы WAV и MP3 длительностью до 1 часа, изображения JPEG и PNG, а также текст. Заявлена максимальная длина контекста до 256 тысяч токенов. Хотя в метаданных перечислены английский, французский, испанский, итальянский, немецкий, японский и китайский языки, в описании входных данных явно указана поддержка только английского языка. Модель подходит для анализа видеозаписей и речи, поиска и суммаризации медиаконтента, обработки контрактов и финансовых документов, OCR, GUI-автоматизации и агентных сценариев. Она поддерживает JSON-вывод, вызов инструментов, рассуждения и временные метки слов при транскрипции. Основные ограничения — ориентация на NVIDIA GPU и Linux, а также заявленная поддержка только аппаратуры NVIDIA и английского языка. Для работы указаны vLLM, NeMo, Megatron и NeMo-RL. Использование регулируется NVIDIA Open Model Agreement; в README также указана возможность коммерческого применения.

adowu/astral-256k-7b — текстовая генеративная модель, разработанная автором aww на архитектуре MistralForCausalLM. Она предназначена для генерации текста и диалоговых сценариев, а также может применяться для суммаризации и перевода длинных документов. Модель содержит 8 млрд параметров и поддерживает контекст до 256 000 токенов. Карточка описывает обработку длинных последовательностей и оптимизацию для вычислений bfloat16; метаданные указывают формат safetensors и библиотеку Transformers. Указана поддержка английского языка и лицензия Apache-2.0. Модель подходит для создания статей и отчётов, чат-ботов и работы с большими документами. Качество для отдельных задач карточка не подтверждает количественными оценками; применение на длинном контексте потребует соответствующих вычислительных ресурсов.

bigstral-12b-32k-8xMoE — диалоговая языковая модель на архитектуре Mixtral с разреженной смесью экспертов (MoE), опубликованная bartowski. Она создана с помощью ветки MoE инструмента mergekit на основе Mistral-7B-Instruct-v0.2 и содержит 12,3 млрд параметров. Модель предназначена для генерации текста и ответов в диалоговом формате; заявленная длина контекста — 32 768 токенов. Модель принимает текст и выдаёт текст. В репозитории представлены веса Safetensors, библиотека для работы — Transformers. Лицензия в предоставленных данных не указана, поэтому условия использования определить нельзя.

WeMake/Llama-3-8B-Instruct-V41-1048k — разговорная языковая модель WeMake на архитектуре Llama 3 с 7,5 млрд параметров. Модель создана на основе gradientai/Llama-3-8B-Instruct-Gradient-1048k и meta-llama/Meta-Llama-3-8B; в карточке указано, что она объединяет их с настройками WeMake V41 и обучалась методом WeMake ICU. Репозиторий содержит веса в формате safetensors, лицензия — llama3. Модель предназначена для диалоговых агентов, создания текстов, анализа данных и извлечения выводов. Заявлены учёт эмоционального контекста, согласование ответов с человеческими ценностями и поддержка нескольких языков. Максимальная длина контекста — 1 048 576 токенов, однако карточка не приводит независимых оценок качества и не перечисляет поддерживаемые языки помимо английского в метаданных. Перед использованием следует проверять точность и уместность ответов; заявления об эмоциональном интеллекте и согласовании приводятся разработчиком.

saishf/Long-SOVL-Experiment-8B-L3-262K — объединённая разговорная языковая модель, созданная с помощью mergekit методом Model Stock на базе gradientai/Llama-3-8B-Instruct-262k. В объединение вошли модели Aura, BlueMoon, Luna, RP_Format_QuoteAsterisk и Smarts от ResplendentAI. Модель построена на архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и принимает текст для генерации текста; поддерживает контекст до 262 144 токенов. Модель предназначена для диалогов и генерации ответов, включая работу с длинными текстами в пределах контекстного окна. Репозиторий содержит веса в формате safetensors. Сведения о лицензии и конкретных ограничениях качества в предоставленных данных отсутствуют.

ghostlamp/2 — объединённая языковая модель на архитектуре Llama, созданная с помощью mergekit методом DARE TIES на основе Princeton NLP Llama-3-8B-ProLong-512k-Base, Arkana08/LexiMaid-L3-8B и DavidAU/L3.1-Dark-Planet-SpinFire-Uncensored-8B. В репозитории представлены веса SafeTensors в формате bfloat16; размер модели составляет 7,5 млрд параметров. Модель предназначена для генерации текста и диалогового общения. Базовая модель поддерживает контекст до 524 288 токенов, что подходит для работы с длинными текстовыми запросами и документами. Карточка не сообщает отдельные целевые языки и прикладные области. Лицензия в предоставленных данных не указана.

Faro-Yi-9B — чат-модель wenbopan, созданная на основе Yi-9B-200K путём масштабного дообучения на инструкциях из набора Fusang-V1. Это плотная причинно-языковая модель семейства Llama с 8,6 млрд параметров; репозиторий содержит веса Safetensors, а для диалога используется шаблон ChatML. Модель предназначена для ответов на инструкции и различных текстовых задач на английском и китайском языках, включая работу с длинными документами и сложными запросами. В README заявлена длина контекста до 200 тысяч токенов. В метаданных Hugging Face указано значение 32 768 токенов; для практического использования длинного контекста README приводит настройки vLLM и отмечает влияние квантизации AWQ на качество. В опубликованных автором тестах Faro-Yi-9B превосходит Yi-9B-200K по большинству приведённых показателей, в том числе по ряду тестов понимания длинного контекста; результаты кодогенерации в LongBench ниже, чем у базовой модели. Лицензия — MIT.

Lumma-0.6B-Extract — компактная специализированная языковая модель FrontiersMind для извлечения структурированных данных из текста. Это дообученная версия Lumma-0.6B-Base с плотной архитектурой NandiForCausalLM и примерно 800,5 млн параметров. Модель рассчитана на однократное извлечение: пользователь задаёт JSON-шаблон с нужными полями, а модель формирует ответ в соответствующей структуре. Модель подходит для извлечения имён, дат, организаций, мест, товаров и атрибутов из текстов счетов, маршрутов поездок, распознанных OCR документов, писем, отчётов и сообщений. Её можно применять в конвейерах обработки документов и данных, в том числе при ограниченных вычислительных ресурсах. Контекст составляет 12 288 токенов; карточка указывает поддержку английского языка, а многоязычная поддержка индийских языков обозначена как планируемая. Внутренний тест разработчика охватывал около 500 документов разных типов; подробные результаты и сам набор данных в карточке не приведены. Модель распространяется в формате Safetensors через Transformers по лицензии Apache-2.0.

MiniMax-M1 — крупная модель рассуждений с открытыми весами, разработанная MiniMax. Она предназначена для генерации ответов и решения задач, требующих многошагового рассуждения и обработки длинного контекста. Модель использует гибридную архитектуру Mixture-of-Experts (MoE) и механизм lightning attention. В доступных сведениях не приведены размер модели, длина контекста, поддерживаемые языки и лицензия, поэтому эти характеристики нельзя уточнить.

NeuralKybalion-7B-slerp-v3 — объединённая модель, созданная Kukedlc с помощью LazyMergekit на основе трёх моделей NeuralKybalion и experiment26-truthy-iter-0. Это плотная авторегрессионная языковая модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста. Она принимает текст и выдаёт текст; заявленный контекст составляет 32 768 токенов. Репозиторий содержит веса в формате Safetensors. Модель распространяется по лицензии Apache-2.0.

M7Yamshadowexperiment28_YamMulti_verse_model — объединённая модель для генерации текста, созданная слиянием automerger/M7Yamshadowexperiment28-7B и automerger/YamMulti_verse_model-7B. Она построена на архитектуре Mistral и содержит 7,1 млрд параметров; модель принимает текстовые запросы и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста по запросу. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0.

YamshadowInex12_T3qExperiment26 — объединённая модель генерации текста, созданная из automerger/YamshadowInex12-7B и automerger/T3qExperiment26-7B. Она предназначена для сценариев, где требуется генерировать текст на основе текстового запроса. Модель использует плотную архитектуру Mistral и содержит 7,1 млрд параметров. Контекстное окно — до 32 768 токенов; веса опубликованы в формате safetensors. Модель распространяется по лицензии Apache-2.0.

YamT3qm7xp_YamOgno — объединённая методом слияния модель семейства Mistral от MaziyarPanahi, созданная на основе automerger/YamT3qm7xp-7B и automerger/YamOgno-7B. Она предназначена для генерации текста и поддерживает контекст длиной до 32 768 токенов. Модель содержит 7,1 млрд параметров и распространяется в формате Safetensors по лицензии Apache 2.0.

Experiment26Yam_Multi_verse_modelM7 — объединённая модель для генерации текста, построенная на архитектуре Mistral. Она создана путём слияния automerger/Experiment26Yam-7B и automerger/Multi_verse_modelM7-7B. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста по текстовому запросу. Веса опубликованы в формате Safetensors, лицензия — Apache-2.0.

Experiment28M7_AlloyingotneoyExperiment26 — объединённая модель для генерации текста на базе архитектуры Mistral. Она получена слиянием automerger/Experiment28M7-7B и automerger/AlloyingotneoyExperiment26-7B и содержит 7,1 млрд параметров. Модель принимает текст и генерирует текст, поддерживая контекст до 32 768 токенов. Модель подходит для генерации продолжений, ответов и другого текста общего назначения. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0.

GLiClass Multilang Ultra — мультиязычная модель классификации текста от Knowledgator на архитектуре GLiClass. Она предназначена для zero-shot и few-shot классификации по заданным пользователем меткам, а также для оценки соответствия текста меткам при решении задач NLI и ранжирования релевантности. Модель поддерживает 20 языков: шведский, норвежский, чешский, польский, литовский, эстонский, латышский, испанский, финский, немецкий, французский, румынский, итальянский, португальский, нидерландский, украинский, хинди, китайский, арабский и иврит. Текст и метки могут быть на разных языках. В README указано около 1,72 млрд параметров; доступны иерархические метки, их описания и примеры для few-shot настройки. Модель подходит для тематической и тональной классификации, определения намерений, проверки следования правилам и классификации безопасности LLM. В README приведены оценки на нескольких наборах данных и сравнительные замеры скорости; фактическая производительность зависит от оборудования и задачи. Русский язык среди заявленных языков отсутствует. Лицензия — Apache-2.0.

slim-summary-phi-3 — специализированная модель llmware для суммаризации текста. Она принимает текст и формирует список кратких тезисов, извлечённых из сложных деловых документов. Модель построена на архитектуре Phi-3 и содержит около 3,7 млрд параметров; карточка указывает английский язык, а метаданные — контекст 4096 токенов и поддержку диалогового режима. Репозиторий содержит базовую версию в формате PyTorch, предназначенную в том числе для дальнейшего дообучения. Лицензия — Apache 2.0.